MIT 线性代数导论 第二十二讲：矩阵对角化和幂

本讲的主要内容

• 对角化矩阵的概念以及方法
• 计算矩阵的幂的对角化方法
• 几个例子

对角化矩阵、计算矩阵的幂

对于一个有 $n$ 个不同特征向量（其实就是说所有的特征值均不同）的矩阵 $A$，讲它的 $n$ 个特征向量组成一个矩阵 $S$ ，如果我们计算 $AS$ 可以有如下过程：
$$AS=A(x_1,x_2,x_3...x_n)=({\lambda }_1{x}_1,{\lambda }_2{x}_2,....{\lambda }_n{x}_n)=(x_1,x_2,x_3...x_n)\left(\begin{array}{ccc}{\lambda }_1& ...& 0\\ ...& ...& ...\\ 0& ...& {\lambda }_n\end{array}\right)=S\Lambda$$

一定注意上面的式子成立的条件是矩阵有 $n$ 个不同的特征向量，如果我们将上面的结论继续做变化：
$$A=S\Lambda S^{-1}$$

那么现在就可以拿到这个形式很好看的等式了。使用这个等式我们可以简化很多矩阵的幂的计算，例如计算 $A^2$:
$$A^2=(S\Lambda S^{-1}{)}^2=S\Lambda S^{-1}S\Lambda S^{-1}=S{\Lambda }^2{S}^{-1}$$

利用对角化计算差分方程

对于矩阵 $A$ ，如果有列向量 $u_i$ 总有 $u_{i+1}=A{u}_i$，现在已知 $A,u_0$，如何求解 $u_k$？
首先展开这个递推式：
$$u_k=A{u}_{k-1}=...=A^k{u}_0$$
然后把矩阵对角化（当然，这个问题的前提是矩阵可以对角化），有：$u_k=S{\Lambda }^k{S}^{-1}{u}_0$，这时候，前提条件中的 $n$ 个线性无关的特征向量就有用了， 对于 $u_0$ 这个$n$维向量，可以用这 $n$ 个特征向量来表示，可以有：
$$u_0=c_1{x}_1+c_2{x}_2+...+c_n{x}_n=(x_1,x_2,...,x_n)\left(\begin{array}{c}{c}_1\\ c_2\\ ...\\ c_n\end{array}\right)=SC$$
其中 $S$ 跟前面对角化中的矩阵是一样的，都是特征向量组成的矩阵，把这个式子代入前面的 $A^k{u}_0$，就可以得到最终的结论：
$$u_k=A^k{u}_0=S{\Lambda }^{k}C$$
计算这个表示线性组合的向量 $C$ 还是比较简单的，所以计算的过程简单了一些。

计算Fibonacci 数列

这一个例子是上面的一个应用，首先我们知道斐波那契数列是：
$$0,1,1,2,3,5......$$
也就是：
$$F(n)=F(n-1)+F(n-2),(n>=3)$$
为了使用对角化的知识计算，令 $u_k=\left(\begin{array}{c}{F}_{k+1}\\ F_k\end{array}\right)$，构造差分方程组：
$$\{\begin{array}{c}F(k+2)=F(k+1)+F(k)\\ F(k+1)=F(k+1)\end{array}$$
这时候，我们可以得到：
$$u_{k+1}=A{u}_k，A=\left(\begin{array}{cc}1& 1\\ 1& 0\end{array}\right)$$
这样，我们就构造了上面一样的递推形式，接下来按照对角化矩阵 $A$ 然后就可以计算 $S{\Lambda }^{k}C$就可以快速计算了。

用线性代数解决斐波那契数列，感觉真的是…Amazing！，学数学的人真厉害啊。

以上~